Технический лидер SRE

Чем предстоит заниматься:

• Проектировать, разрабатывать, внедрять и поддерживать SLO/SLI для всех сервисов;
• Участвовать в устранении инцидентов - в связке со смежными командами устранять сбои и предотвращать их повторение;
• Участвовать в заполнении и разборе постмортемов;
• Расследовать причины инцидентов (RCA);
• Разрабатывать и выполнять меры, направленные на предотвращение повторных инцидентов;
• Развивать мониторинг и алертинг - разработка, обогащение, настройка метрик, логов, трейсов, алертов, дашбордов, ранбуков (и их регулярный анализ/рефакторинг);
• Автоматизировать рутинную работу;
• Ревьюить и помогать дорабатывать DRP, участвовать в качестве координатора в DRT, поддерживать DRP в актуальном состоянии;
• участвовать в разработке и оптимизации процессов, используемых в работе
• Встраивать в процессы практики: observability by default, alerting as code, runbooks, SLO/SLA/SLI
• Помогать командам строить отказоустойчивые сервисы: autoscaling, failover, chaos engineering
• Обеспечивать внутреннюю экспертизу по стабильности, метрикам, инцидентам и error budgets

Что мы ждем от кандидата:

• Экспертиза и практический опыт в SRE-практиках: глубокое понимание SLO/SLI, error budget, toil reduction, automation first... И умение применять это практически для обеспечения надежности сервисов;
• Умение проводить code review для оценки готовности к выходу в production новых функций и сервисов с точки зрения надёжности, наблюдаемости и эффективности, понимание, как изменения в коде влияют на смежные системы и общую стабильность платформы;
• Понимание, что такое load balancing, circuit breakers, disaster recovery, MTTR, RTO, и т.п.;
• Экспертные знания в эксплуатации Linux, включая диагностику на уровне ядра (процессы, память, сеть);
• Опыт работы с Kubernetes и понимание его internal'ов для диагностики сложных проблем;
• Понимание, как работают сети и умение диагностировать проблемы в их работе;
• Практический опыт IaаC (Terraform/Ansible) и понимание принципов;
• Практический опыт построения CI/CD (Gitlab CI, Argo CD);
• Умение писать автоматизацию и скрипты на Python/Go;
• Опыт работы с системами мониторинга и логирования (Prometheus, Grafana, Loki, Tempo, ELK);
• Практический опыт в SRE роли.

Будет плюсом, если вы:

• Знаете, как сделать отказоустойчивый масштабируемый сервис;
• Имеете опыт написания и ревью технической документации;
• Имеете опыт коммуникации с разработчиками и бизнесом (объяснение trade-offs между reliability и feature dev);
• Обладаете системным мышлением и умением анализировать сложные сценарии отказа, выявлять корневые причины, находить способы их устранения;
• Имеете практический опыт построения и внедрения quality gates в CI/CD процесс для управления рисками при развертывании: для предотвращения попадания нестабильных изменений в production;
• Знаете, как определять SLI для сервиса, у которого нет исторических данных о надежности;
• Знаете, как рассчитать композитные SLO для сервиса, зависящего от 10+ микросервисов;
• Имеете опыт внедрения observability-as-code и alerting-as-code.